23ai新特性之向量索引

向量检索的核心是在高维空间中快速找到与目标向量相似的向量，而索引则是实现这一目标的关键。Oracle 23ai 原生向量引擎针对不同场景，提供了两种主流的向量索引：HNSW 索引与IVF-Flat 索引。

1. HNSW 索引：分层可导航小世界索引 —— 高召回率的首选

• 原理：
  HNSW（Hierarchical Navigable Small World）是基于 “小世界理论” 的图索引结构，核心是构建多层级的向量图：
  顶层：少量高维向量节点，作为 “导航入口”，覆盖整个向量空间；
  底层：所有向量节点，通过边连接相似向量；
  中间层：过渡层级，平衡顶层的粗检索与底层的精检索。
  检索时，从顶层入口节点出发，逐层向下导航，快速缩小检索范围，最终在底层找到相似向量。这种 “从粗到精” 的检索方式，大幅减少了向量距离计算的次数。
• 核心优势：
  高召回率：几乎能检索到所有相似向量，无漏检问题；
  低延迟：亿级向量数据检索响应时间可控制在 10ms 内；
  支持动态插入 / 删除：向量数据新增 / 删除时，索引可快速更新，适配实时数据场景。
• 适用场景：
  对检索准确率要求高、数据实时更新的场景，如智能客服语义检索、个性化推荐、相似文本查询。
  创建示例：

  -- 为商品表的描述向量创建HNSW索引
  CREATE INDEX idx_products_hnsw ON products
  USING VECTOR HNSW (description_emb VECTOR_COSINE_DISTANCE)
  WITH (DIMENSIONS=1536, M=16, EF_CONSTRUCTION=200);

  M：每个节点的最大边数，值越大索引精度越高但存储开销越大；
  EF_CONSTRUCTION：索引构建时的候选集大小，值越大索引质量越好但构建耗时越长。

  2. IVF-Flat 索引：倒排文件 + 扁平向量索引 —— 海量数据的高效之选

• 原理：
  IVF-Flat（Inverted File with Flat）是基于 “聚类” 的索引结构，核心分为两步：
  索引构建阶段：通过聚类算法（如 K-Means）将所有向量划分为多个 “聚类中心”，每个向量归属到最近的聚类中心，形成 “倒排文件”（记录每个聚类包含的向量）；
  检索阶段：先计算目标向量与各聚类中心的距离，筛选出 Top-N 个相似聚类，再在这些聚类中逐一计算向量距离，找到最终相似向量。
• 核心优势：
  海量数据适配：支持十亿级向量数据存储与检索，存储与计算开销远低于 HNSW；
  高吞吐量：批量检索场景下性能更优，适合大数据量的离线分析。
• 适用场景：
  数据量超亿级、对检索速度要求高于召回率的场景，如医疗影像相似病例检索、工业传感器时序向量检索、大规模日志向量分析。
  创建示例：

  -- 为医疗影像表的影像向量创建IVF-Flat索引
  CREATE INDEX idx_medical_images_ivf ON medical_images
  USING VECTOR IVF (image_emb VECTOR_EUCLIDEAN_DISTANCE)
  WITH (DIMENSIONS=512, NUM_CLUSTERS=1024);

  NUM_CLUSTERS：聚类中心数量，通常建议为向量总数的 1/1000~1/100，平衡检索速度与准确率。

• 总结：技术拆解背后的落地逻辑
  VECTOR 数据类型解决了向量 “存得下、算得动” 的问题，而 HNSW 与 IVF-Flat 索引则解决了向量 “查得快” 的问题。开发者可根据自身业务场景的数据量、召回率要求、实时性需求，灵活选择索引类型，无需在性能与成本之间妥协。